i2vgen-xl_pytorch

i2vgen-xl

论文

I2VGen-XL: High-Quality Image-to-Video Synthesis via Cascaded Diffusion Models

• https://arxiv.org/abs/2311.04145

模型结构

该模型为两阶段的视频生成模型，其主要结构都为3D-Unet，其中第一阶段模型为低质量视频生成模型，其中包括提取图像高阶信息（如语义特征）的CLIP，图片压缩用到的D.Enc.（VQGAN中的Encoder）以及提取低阶特征（如细节特征）的G.Enc.；第二阶段模型用于生成高质量视频，以文本作为条件，第一阶段的输出进行Resize后作为LDM的输入并执行加噪去噪过程，最终得到高清视频。

算法原理

该算法使用了级联的方式进行视频生成，将其分为了两个过程，一个用于保证视频语义的连贯性，一个用于增强视频的细节并提高分辨率。

环境配置

Docker（方法一）

docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.1.0-centos7.6-dtk23.10.1-py38
 
docker run --shm-size 10g --network=host --name=vgen --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v 项目地址(绝对路径):/home/ -v /opt/hyhal:/opt/hyhal:ro -it <your IMAGE ID> bash
 
pip install -r requirements.txt
 
pip install flash_attn-2.0.4_torch2.1_dtk2310-cp38-cp38-linux_x86_64.whl  （whl.zip文件中）
 
pip install triton-2.1.0%2Bgit34f8189.abi0.dtk2310-cp38-cp38-manylinux2014_x86_64.whl （开发者社区下载）
 
cd xformers && pip install xformers==0.0.23 --no-deps && bash patch_xformers.rocm.sh  （whl.zip文件中）
 
# 以下按需安装
yum install epel-release -y
 
yum localinstall --nogpgcheck https://download1.rpmfusion.org/free/el/rpmfusion-free-release-7.noarch.rpm -y
 
yum install ffmpeg ffmpeg-devel libsm6 libxext6 -y

Dockerfile（方法二）

# 需要在对应的目录下
docker build -t <IMAGE_NAME>:<TAG> .
 
docker run --shm-size 10g --network=host --name=vgen --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v 项目地址(绝对路径):/home/ -v /opt/hyhal:/opt/hyhal:ro -it <your IMAGE ID> bash
 
pip install -r requirements.txt
 
pip install flash_attn-2.0.4_torch2.1_dtk2310-cp38-cp38-linux_x86_64.whl  （whl.zip文件中）
 
pip install triton-2.1.0%2Bgit34f8189.abi0.dtk2310-cp38-cp38-manylinux2014_x86_64.whl （开发者社区下载）
 
cd xformers && pip install xformers==0.0.23 --no-deps && bash patch_xformers.rocm.sh  （whl.zip文件中）
 
# 以下按需安装
 
yum install epel-release -y
 
yum localinstall --nogpgcheck https://download1.rpmfusion.org/free/el/rpmfusion-free-release-7.noarch.rpm -y
 
yum install ffmpeg ffmpeg-devel libsm6 libxext6 -y

Anaconda (方法三)

1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装： https://developer.hpccube.com/tool/

DTK驱动：dtk23.10.1
python：python3.8
torch:2.1.0
torchvision:0.16.0
triton:2.1.0

Tips：以上dtk驱动、python、torch等DCU相关工具版本需要严格一一对应

2、其它非特殊库参照requirements.txt安装

pip install -r requirements.txt
 
pip install flash_attn-2.0.4_torch2.1_dtk2310-cp38-cp38-linux_x86_64.whl  （whl.zip文件中）
 
cd xformers && pip install xformers==0.0.23 --no-deps && bash patch_xformers.rocm.sh  （whl.zip文件中）
 
# 按需安装
 
conda install -c conda-forge ffmpeg

数据集

作者未公开训练数据集，常用的数据集目前无法下载。

推理

模型下载

https://huggingface.co/ali-vilab/i2vgen-xl/tree/main

i2vgen-xl/
├── i2vgen_xl_00854500.pth
├── open_clip_pytorch_model.bin
├── stable_diffusion_image_key_temporal_attention_x1.json
└── v2-1_512-ema-pruned.ckpt

命令行

HIP_VISIBLE_DEVICES=1 python inference.py --cfg configs/i2vgen_xl_infer.yaml
 
# 指定输入和模型
HIP_VISIBLE_DEVICES=1 python inference.py --cfg configs/i2vgen_xl_infer.yaml  test_list_path data/test_list_for_i2vgen.txt test_model i2vgen-xl/i2vgen_xl_00854500.pth

test_list_path 表示输入图像路径及其对应的标题请参考演示文件 data/test_list_for_i2vgen.txt 中的特定格式和建议。test_model 是加载模型的路径。

gradio页面

HIP_VISIBLE_DEVICES=1 python gradio_app.py

注意：第一次执行该命令前需要创建 workspace/experiments/test_list_for_i2vgen 文件夹用来保存生成结果，且执行该命令会下载默认文件，当默认文件下载完毕后（程序会报错）需手动注释/删除 ~/.cache/modelscope/hub/damo/i2vgen-xl/ms_wrapper.py中的代码

result

精度

无

应用场景

算法类别

视频生成

热点应用行业

媒体,科研,教育

源码仓库及问题反馈

• ModelZoo / i2vgen-xl_pytorch · GitLab

参考资料

• GitHub - ali-vilab/VGen: Official repo for VGen: a holistic video generation ecosystem for video generation building on diffusion models